利用超局部天气预报的动态线路额定值：一种机器学习方法
机器学习
2024-05-22 v1 系统与控制
系统与控制
摘要
动态线路额定值（DLR）系统对于输电网络中可再生能源的整合至关重要。然而，传统依赖传感器数据的方法由于在每根电线杆或档距上安装传感器不切实际而面临挑战。此外，基于传感器的方法在快速变化的天气条件下预测DLR可能遇到困难。本文提出了一种新颖的方法，利用机器学习（ML）技术结合超局部天气预报数据。与仅依赖传感器数据的传统方法不同，该方法利用训练好的ML模型在全网络规模上预测超局部天气参数。整合地形数据通过考虑架空线路周围的景观特征和障碍物提高了预测精度。本文引入了DLR评估的置信区间，以减轻与不确定性相关的风险。来自爱沙尼亚的案例研究展示了所提出方法的实际实施，突出了其在真实场景中的有效性。通过解决基于传感器方法的局限性，本研究有助于输电系统中可再生能源整合的讨论，提高了电网的效率和可靠性。
引用
@article{arxiv.2405.12319,
title = {Dynamic Line Rating using Hyper-local Weather Predictions: A Machine Learning Approach},
author = {Henri Manninen and Markus Lippus and Georg Rute},
journal= {arXiv preprint arXiv:2405.12319},
year = {2024}
}
备注
15 pages and planning to submit it to IEEE Access